زنبورهای عسل نقش بسیار مهمی در گرده‌افشانی دارند و به پایداری تنوع زیستی کمک شایانی می‌کنند. به عنوان مثال، طبق آمار سازمان خواربار و کشاورزی ملل متحد (FAO)، بیش از ۷۰ درصد از محصولات کشاورزی به گرده‌افشانی وابسته هستند، که این نقش زنبورها را در امنیت غذایی جهانی بسیار حیاتی می‌کند.
یکی از شاخص‌های حیاتی برای ارزیابی سلامت کلنی، شمار زنبورهای حامل گرده است که نشان‌دهنده توانایی زنبورها در جمع‌آوری غذا و تأمین نیازهای کلنی است. این شاخص اهمیت زیادی دارد زیرا زنبورهای حامل گرده نه تنها غذای مورد نیاز کلنی را تأمین می‌کنند، بلکه به تقویت رشد زنبورهای جوان و افزایش تولیدات کندو کمک می‌کنند. همچنین، شمار زنبورهای حامل گرده می‌تواند به‌عنوان نشانگری برای تشخیص تغییرات زیست‌محیطی یا مشکلات احتمالی در کلنی مانند بیماری‌ها یا کمبود منابع طبیعی عمل کند. با این حال، روش‌های موجود برای شناسایی این زنبورها عمدتاً متکی بر مشاهده و حاشیه‌نویسی دستی هستند که فرآیندی زمان‌بر و غیرقابل استفاده برای نظارت مستمر و طولانی‌مدت است. این امر منجر به عدم دقت و محدودیت در تحلیل داده‌های کلنی شده است. مقاله حاضر با ارائه مجموعه داده‌ای جامع به نام VnPollenBee و مدل‌های یادگیری عمیق، روشی کارآمد برای شناسایی زنبورهای حامل گرده معرفی می‌کند که می‌تواند تحولی در مدیریت کلنی‌ها ایجاد کند.
روش‌ها
1. جمع‌آوری و حاشیه‌نویسی داده‌ها:
• برای جمع‌آوری داده‌ها، یک سیستم تصویربرداری پیشرفته در ورودی کندوها نصب شد. این سیستم قابلیت ضبط تصاویر در شرایط مختلف نوری را داراست.
• تهیه 2051 تصویر شامل 60,826 جعبه حاشیه‌نویسی شده برای زنبورهای حامل گرده و غیرحامل گرده، که این مجموعه داده یکی از بزرگترین مجموعه‌های موجود در این زمینه است.
• این تصاویر از کندوهای متعددی در بازه‌های زمانی مختلف جمع‌آوری شده‌اند و حاوی تنوعی از شرایط محیطی هستند که دقت داده‌ها را افزایش می‌دهد.
2. الگوریتم‌های یادگیری عمیق:
• استفاده از دو مدل اصلی YOLOv5 و Faster RCNN که از پیشرفته‌ترین الگوریتم‌ها در شناسایی و طبقه‌بندی اشیاء هستند. مدل YOLOv5 به دلیل سرعت بالا و سادگی استفاده، برای کاربردهای صنعتی مناسب است، در حالی که مدل Faster RCNN با دقت بیشتر خود در شناسایی اشیاء پیچیده‌تر، در شرایطی که نیاز به تحلیل دقیق‌تر داریم، برتری دارد. ترکیب این دو مدل می‌تواند بهترین توازن بین دقت و سرعت را فراهم کند.
• ترکیب تکنیک‌های بهبود مانند استفاده از شبکه‌های کانونی (Focal Loss) که به حل مشکلات عدم تعادل داده‌ها کمک می‌کند.
• استفاده از روش Overlap Sampling برای بهبود شناسایی در شرایطی که تعداد زنبورهای حامل گرده نسبت به زنبورهای غیرحامل بسیار کمتر است.
3. بررسی نتایج:
• مدل YOLOv5 توانست با دقت 99%، Recall معادل 93%، و امتیاز F1 معادل 95% عملکردی چشمگیر ارائه دهد.
• مدل Faster RCNN نیز در شرایط چالش‌برانگیز مانند تراکم بالای زنبورها و نور کم، نتایج بهتری در شناسایی زنبورهای حامل گرده به دست آورد.
• بهبود قابل‌توجه در شناسایی زنبورهای حامل گرده حتی در شرایطی که نور محیطی ضعیف یا تراکم زنبورها بالا بود.
یافته‌ها
• ارائه مجموعه داده‌ای که برای اولین بار به‌صورت عمومی برای شناسایی زنبورهای حامل گرده در دسترس است و امکان دسترسی محققان به این داده‌ها در سطح جهانی فراهم شده است.
• بهبود شاخص‌های دقت و Recall با استفاده از مدل‌های پیشرفته که نشان‌دهنده قابلیت اعتماد این روش‌ها است.
• شناسایی موثر زنبورهای حامل گرده حتی در شرایط نامساعد محیطی مانند نور کم، حضور موانع طبیعی، و تراکم بالای زنبورها در ورودی کندوها.
• این مطالعه نشان داد که ترکیب مدل‌های یادگیری عمیق با داده‌های دقیق و متنوع می‌تواند مشکلات پیشین را در نظارت بر کلنی‌های زنبور عسل برطرف کند. برای مثال، در گذشته تراکم بالای زنبورها در ورودی کندوها یا شرایط نور کم باعث کاهش دقت شناسایی می‌شد، اما با استفاده از مدل‌های پیشرفته‌ای مانند Faster RCNN و تکنیک‌های بهبود داده، این مشکلات به طور قابل توجهی کاهش یافته‌اند.
نتیجه‌گیری
استفاده از روش‌های داده‌کاوی و یادگیری عمیق می‌تواند به طور موثری فرآیند نظارت بر سلامت کلنی‌های زنبور عسل را بهبود بخشد. مجموعه داده VnPollenBee و تکنیک‌های ارائه‌شده در این تحقیق، ابزارهای مفیدی برای تحلیل رفتار زنبورها و پایش مداوم کلنی‌ها ارائه می‌دهند. این روش‌ها به زنبورداران کمک می‌کنند تا به طور دقیق‌تری وضعیت کلنی‌ها را ارزیابی کرده و در صورت نیاز اقدامات لازم را انجام دهند. همچنین، امکان استفاده از این روش‌ها برای سایر گونه‌های حشرات اجتماعی مانند مورچه‌ها و موریانه‌ها که دارای رفتارهای پیچیده اجتماعی هستند و همچنین نظارت بر اکوسیستم‌های طبیعی مانند جنگل‌های بارانی وجود دارد. این روش‌ها می‌توانند به شناسایی تغییرات رفتاری در این گونه‌ها و ارزیابی سلامت زیست‌محیطی کمک کنند.
